Nauka i technologie, Opinie i komentarze, Opinie i komentarze, Technika i przemysł, Technologie

Analityka czyli dane, które leczą

Fot. freepik.com
Fot. freepik.com

Najnowszy raport IBM Marketing Cloud pt. „10 Key Marketing Trends for 2017” podaje, że aż 90% wszystkich danych zostało stworzonych w ciągu ostatnich dwóch lat. Znaczy to, że dziennie generowanych jest ich aż 2,5 tryliona bajtów! To stawia przed nami jedno zasadnicze wyzwanie: wyciągnąć z nich jak najwięcej rzetelnych wniosków, które przysłużą się rozwojowi firmy i pozwolą zaplanować przyszłe działania. Aby to się udało, potrzebna jest profesjonalna interpretacja i prawidłowa ocena. Przedsiębiorstwom, które przerastają mnożące się informacje, z pomocą przychodzą zaawansowane rozwiązania do rozbudowanej analizy, oparte na najnowszych technologiach.

Interpretacja analiz

Analiza danych jest procesem sprawdzania, oczyszczania, przekształcania i modelowania ich. Robi się ją po to, by znajdować przydatne informacje, sugerować wnioski i wspierać proces podejmowania decyzji w oparciu o fakty. Ma wiele aspektów i podejść, obejmujących różnorodne techniki, kryjące się pod różnymi nazwami, są stosowane między innymi w biznesie, naukach ścisłych czy socjologii.

Choć brzmi skomplikowanie, warto się temu tematowi bliżej przyjrzeć, ponieważ, jak pokazało badanie Bain & Company, firmy wykorzystujące zaawansowaną analitykę w swoich strategiach są znacznie skuteczniejsze od swoich rywali. Dlaczego? Ponieważ podejmują lepsze decyzje, i – co ważne – szybciej i lepiej je realizują. Badania wykazały między innymi trzykrotnie wyższe prawdopodobieństwo skuteczności podjętej decyzji, pięciokrotnie wyższe prawdopodobieństwo znacznego przyśpieszenia procesu decyzyjnego i dwukrotnie wyższe prawdopodobieństwo osiągnięcia najwyższych przewidywanych wyników finansowych w firmach stosujących zaawansowane metody analityczne.

Istnieją różne rodzaje analityki. Na prostych, życiowych przykładach pokażemy, czym się różnią, do czego służą i co mogą oznaczać dla naszego biznesu.

Co się stało i dlaczego? Metoda czarnej skrzynki

Przyjrzyjmy się analityce opisowej i diagnostycznej. Oba rodzaje są z reguły częścią systemów klasy Business Intelligence. Pierwszy wspiera ocenę danych pod kątem tego, „co się stało?”, drugi pomaga znaleźć odpowiedzi na pytanie: „dlaczego tak się stało?”. Przykład? Wyobraźmy sobie, że wstajemy rano i chcemy się ubrać. Stajemy przed szafą pełną ubrań. Analityka opisowa daje nam informację, w co ubieraliśmy się w poszczególne dni przez ostatnie trzy miesiące. Na tej podstawie otrzymamy pełną listę ubrań z podziałem na zestawy, czyli komplet potrzebnych danych do podjęcia decyzji.

W analizie diagnostycznej do tematu zawartości szafy podejdziemy trochę bardziej szczegółowo. Zauważymy pewne prawidłowości, na przykład, że co drugi czwartek nasz strój wyróżniał się spośród pozostałych – składał się z granatowych spodni, białej koszuli i czarnych butów. Kluczem w tym wypadku jest znalezienie odpowiedzi na pytanie, dlaczego tak się stało. W naszym przykładzie okazało się, że co drugi czwartek mieliśmy ustalone cykliczne wizyty u klienta dotyczące realizowanego przez nas projektu. W biznesie dzięki takiej analizie możemy wychwycić wiele ważnych zależności, m.in. czy wielkość sprzedaży jest powiązana ze zmianą cen, dlaczego ponownie wzrosła liczba reklamacji i zwrotów, od użycia których materiałów zależą zwroty i czy wpływ na te zdarzenia miała zmiana dostawcy. Choć na poziomie prostych obserwacji robimy to intuicyjnie, w przypadku bardziej złożonych problemów odpowiedź może nie być oczywista – wtedy przydaje się specjalistyczna analiza.

Obie wyżej opisane metody są dosyć proste – mają niską złożoność analityczną, co znaczy, że udział człowieka w podejmowaniu decyzji biznesowych na podstawie ich wyników jest duży. Wynika to z faktu, że są to metody skupione na przeszłości, działające jak czarna skrzynka w samolocie, czyli pomagające wyjaśnić, co i dlaczego się wydarzyło, stanowiące jednak jedynie punkt wyjścia do rozważań na temat tego, co należy zrobić, by w przyszłości błędu nie powtórzyć.

Inaczej jest w przypadku kolejnych dwóch typów analityki – predykcyjnej i preskryptywnej. One bowiem najpełniej wspierają i automatyzują decyzje, czyli pozwalają wyciągnąć wnioski z wyników dwóch poprzednich analiz. Udział człowieka zazwyczaj sprowadza się do definicji ograniczeń biznesowych (o których piszemy niżej) i wyboru zaproponowanego przez algorytm rozwiązania.

Damian Skipioł, Senior Solution Manager w Novacura Poland

 Damian Skipioł, Senior Solution Manager w Novacura Poland

Dziś zdecydowana większość firm największy nacisk w analizie danych kładzie na analitykę opisową i diagnostyczną. Poszukują one w ten sposób odpowiedzi na pytania, dlaczego się stało tak, a nie inaczej, odwołując się do zdarzeń biznesowych, które miały miejsce w przeszłości, lub weryfikując prezentowane wyniki z menadżerami odpowiedzialnymi za poszczególne obszary biznesowe w firmie. Świadomi menadżerowie jednak coraz częściej wykorzystują w podejmowaniu decyzji analitykę „What-If” i używają w swoich analizach narzędzi predykcyjnych.

Wróżka prawdę Ci (pod)powie

Zadaniem analizy predykcyjnej jest próba odpowiedzi na pytanie: „co może się wydarzyć?”. Realizują je narzędzia IT z grupy Data Science, których celem jest „przewidzieć” za pośrednictwem dostępnych algorytmów i rozwiązań statystycznych, jak może wyglądać na przykład sprzedaż w przyszłym roku. Mówiąc obrazowo i wracając do naszej przykładowej szafy: w wyniku analizy predykcyjnej na podstawie danych dotyczących kolejności oraz częstotliwości noszenia różnych ubrań i kompletów w przeszłości otrzymamy dokładną informację, co możemy w konkretny dzień na siebie założyć i kiedy będzie trzeba zrobić pranie. Jeśli nasz algorytm bierze pod uwagę porę roku i pogodę, może nam podpowiedzieć, że istnieje ryzyko deszczu, i zaproponować zabranie parasola.

W biznesie może to oznaczać sugestię, co powinniśmy zaoferować klientowi, który 6 miesięcy temu kupił u nas samochód. To skuteczna, a w związku z tym coraz popularniejsza metoda sprzedaży, opierająca się na indywidualnym podejściu do klienta i analizie jego potencjalnych potrzeb.

Wytypować czarnego konia

Analityka preskryptywna idzie jeszcze krok dalej: znajduje optymalne rozwiązania umożliwiające kontrolowanie i zmian w zachodzących procesach biznesowych i wpływania na nie. Mówiąc prościej: algorytm bierze pod uwagę wszystkie znane mu czynniki, przewiduje konsekwencje różnych decyzji i na tej podstawie proponuje najlepsze rozwiązanie. Stojąc po raz kolejny przed naszą szafą, otrzymamy sugestię, aby ubrać się w konkretny strój, zgodny z danymi na temat wizyt u klienta oraz informacjami dotyczącymi pory roku i prognozy pogody. Tym razem jednak przeliczone zostanie prawdopodobieństwo deszczu w konkretnych godzinach, w czego efekcie dostaniemy informację, że na poranne spotkanie z klientem możemy iść bez płaszcza, bo najprawdopodobniej ulewa będzie dopiero późnym popołudniem. Biorąc pod uwagę dłuższą perspektywę, algorytm oszacuje, ile par spodni i skarpet musimy zabrać na tygodniową wycieczkę w góry, żeby nie dźwigać za dużo, ale jednocześnie być przygotowanym na pogodę, która może nas tam zastać.

Analityka preskryptywna używa specjalistycznych i zaawansowanych algorytmów wspierających optymalizację. Jednym z takich narzędzi jest oprogramowanie IBM iLOG. Do jego zastosowań (a są ich setki) należy zoptymalizowanie kierunków i kanałów sprzedaży poszczególnych grup produktowych na rynkach biznesowych w oparciu o definicje ograniczeń, takich jak zdolność produkcyjna, stały minimalny koszt produkcji, maksymalne dopuszczalne przekroczenie wielkości zapasów na magazynach czy odległość magazynów dystrybucyjnych od fabryk.

Popularność różnych typów analityki

Dziś zdecydowana większość firm największy nacisk w analizie danych kładzie na analitykę opisową i diagnostyczną. Poszukują one w ten sposób odpowiedzi na pytania, dlaczego się stało tak, a nie inaczej, odwołując się do zdarzeń biznesowych, które miały miejsce w przeszłości, lub weryfikując prezentowane wyniki z menadżerami odpowiedzialnymi za poszczególne obszary biznesowe w firmie. Świadomi menadżerowie jednak coraz częściej wykorzystują w podejmowaniu decyzji analitykę „What-If” i używają w swoich analizach narzędzi predykcyjnych. Wykorzystują na przykład regresję liniową w celu przewidywania przyszłych wyników sprzedaży w oparciu o dane historyczne. Na takiej podstawie bardzo często przygotowywane są plany i budżety biznesowe. Dużo mniej popularna jest analityka preskryptywna. Firmy dopiero dojrzewają do tego, aby używać jej do wykrywania potencjalnych problemów i zapobiegania im wcześniej. W 2016 roku zaledwie 10% organizacji wykorzystywało fragmenty analityki preskryptywnej w procesach wspierania decyzji biznesowych, choć według sondaży wartość ta wzrośnie do około 35% w roku 2020.

Choć firmy nadal wolą korzystać z analityki jak z czarnej skrzynki, wyjaśniającej przyczyny problemów firmy post factum, to tendencja ta ma spore szanse się odwrócić, bo skuteczny sposób optymalizacji produkcji, harmonogramowania i magazynowania w łańcuchu dostaw, pozwalający zapobiec wielu błędom, leży w zasięgu ręki. Każdy menadżer może mieć bowiem asystenta w postaci maszyny, która podpowie najlepsze rozwiązania, prawidłową i najbardziej oczekiwaną kombinację przypadków, czyli prosto mówiąc – co i kiedy kupić, wyprodukować lub dostarczyć. Warto z takiej możliwości skorzystać, bo nie jest żadną tajemnicą, że dostarczając właściwe produkty w odpowiednim czasie, zaspokajamy potrzeby klienta na czas i w ten sposób budujemy lepszą i trwalszą z nim więź. A jak wiadomo, ta jest dziś na wagę złota.

EXPRESS
Portal i czasopismo dla menadżerów i inżynierów branży przemysłowej. Znajdziesz nas w wybranych salonach Empik w całej Polsce: www.ex-p.eu/empik